Visão computacional na avaliação de injurias causadas por Diatraea saccharalis e Sphenophorus levis em cana-de-açúcar
Carregando...
Data
Autores
Orientador
Odair Aparecido Fernandes 
Coorientador
Rodrigo Cupertino Bernardes
Pós-graduação
Agronomia (Entomologia Agrícola) - FCAV
Curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Dissertação de mestrado
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
O monitoramento de insetos é essencial para orientar decisões de controle eficazes e sustentáveis no manejo integrado de pragas. Usualmente esse monitoramento considera o nível das populações de insetos-pragas ou porcentagem de sua injúria relacionada com perda de rendimento. Essa abordagem geralmente desconsidera as dimensões das injúrias e o seu efeito no desempenho das plantas. O presente trabalho teve como objetivo desenvolver e validar uma abordagem automatizada para a detecção e quantificação de injúrias causadas pela broca-da-cana, Diatraea saccharalis e pelo bicudo-da-cana, Sphenophorus levis. Além disso, buscou-se avaliar a relação entre injúrias com parâmetros biométricos das plantas, como, altura, volume, peso e número de entrenós dos colmos. Dessa forma, as plantas de cana-de-açúcar foram avaliadas manualmente e por meio de algoritmos de visão computacional, permitindo a mensuração integrada das injúrias e das características biométricas. Os resultados obtidos pelas abordagens automatizada e manual foram comparados, e os dados analisados estatisticamente por regressão e correlação para verificar a consistência das medições e a capacidade preditiva dos parâmetros biométricos das plantas e das injúrias extraídos. A análise de imagens com algoritmos de aprendizado profundo obteve precisão, sensibilidade e mAP de 0,81; 0,70 e 0,67, respectivamente. As estimativas automáticas apresentaram alta correlação com as medições manuais, com R2 de até 0,85. Por outro lado, as análises evidenciaram que 1% de injúria de D. saccharalis tem efeito de 0,77% nas dimensões da planta, enquanto 1% de ataque de S. levis reduz essas dimensões em 0,082%. Esses resultados mostraram que o uso de análise de imagens por meio de algoritmos de aprendizado profundo na detecção e mensuração de características associadas às injúrias em cana-de-açúcar pode ser uma importante ferramenta para o monitoramento de pragas agrícolas. Além disso, permitiu melhor compreensão das respostas das variedades de cana-de-açúcar ao ataque da broca-da-cana e do bicudo-da-cana, o que, por sua vez, fornece valiosas informações para o aprimoramento dos níveis de dano econômico no cultivo da cana-de-açúcar.
Resumo (português)
Insect monitoring is essential to guide effective and sustainable control decisions in integrated pest management. This monitoring usually considers the level of insect pest populations or the percentage of insect injury and their relationship to yield loss. This approach often disregards the extent of the injuries and their effect on plant performance. The present study aimed to develop and validate an automated approach for detecting and quantifying injuries caused by the sugarcane borer, Diatraea saccharalis, and the sugarcane billbug, Sphenophorus levis. Besides, we sought to evaluate the relationship between injuries and plant biometric parameters, including height, volume, weight, and the number of internodes per stalk. Thus, sugarcane plants were evaluated manually and through computer vision algorithms, allowing an integrated measurement of injuries and biometric characteristics. The results obtained from the automated and manual approaches were compared, and the data were statistically analyzed by regression and correlation to verify the consistency of the measurements and the predictive capability of the extracted parameters. Image analysis using deep learning algorithms achieved precision, a recall, and a mAP of 0.81, 0.70, and 0.67, respectively. The automatic estimates presented high correlation with manual measurements, with a R2 of up to 0.85. On the other hand, the analyses showed that a 1% injury by D. saccharalis reduces plant dimensions by 0.77%, while a 1% attack by S. levis reduces them by 0.082%. These results showed that the use of image analysis through deep learning algorithms for detecting and measuring characteristics associated with injuries in sugarcane can be an important tool for agricultural pest monitoring. Furthermore, it enabled a better understanding of how sugarcane varieties respond to attacks by the sugarcane borer and the sugarcane billbug, which in turn provides valuable information for refining economic injury levels and improving decision-making in integrated pest management.
Descrição
Palavras-chave
Broca-da-cana-de-açúcar, Ecologia Aplicada, Broca-da-cana-de-açúcar, Ecologia Aplicada
Idioma
Português
Citação
GOMES, G. C. C. Visão computacional na avaliação de injúrias causadas por Diatraea saccharalis e Sphenophorus levis em cana-de-açúcar. 2026, 43f Dissertação (Mestrado em Agronomia – Universidade Estadual Paulista - "Júlio de Mesquita Filho", Jaboticabal, 2025.
